[发明专利]基于波段筛选的光谱加权集成校正模型的构建方法及系统

说明书

本发明涉及光谱分析中的多元校正领域，具体为一种基于波段筛选的光谱加权集成校正模型的构建方法及系统，其中基于波段筛选的光谱加权集成校正模型的构建方法，包括：红外光谱波长聚类；对聚类后的红外光谱波长剪枝；根据剪枝后的红外光谱波长构建综合加权系数；根据综合加权系数构建加权集成校正模型；以及通过加权集成校正模型得到预测含量矩阵。实现了加强加权集成校正模型稳定性。

技术领域

本发明涉及光谱分析中的多元校正领域，具体为一种基于波段筛选的光谱加权集成校正模型的构建方法及系统。

背景技术

近红外光谱技术是一种非常重要的无损检测技术，其应用领域十分广泛。虽然近红外光谱具有检测速度快，没有污染等优点，但是其光谱重叠严重等缺点对校正模型的要求很高。因此为了提高校正模型的精确度，增加校正模型的稳定性，近红外光谱的波段选择引起了普遍的关注。

随着集成学习在各个领域的渗透，基于波段筛选的集成校正模型成为提高近红外光谱校正模型精确度和稳定性的首选方法之一。与传统的多元校正模型相比，集成校正模型精确度更好，稳定性更高。其原因在于，多个子模型的集成结果减少了校正结果对单一模型的绝对依赖性。目前，近红外光谱校正模型主要有对波长变量聚类，然后在每一类中随机选取一个，再进行集成的模型。以及利用自组织神经网络对波长变量聚类，然后最小化交叉误差确定权重的集成学习方法。此外，还有通过对波长变量赋权的集成学习方法和基于波长变量选择框架的集成方法。然而已有的这些集成校正模型的稳定性以及权重设置仍然没有很好的解决。

基于上述技术问题，需要设计一种新的基于波段筛选的光谱加权集成校正模型的构建方法及系统。

发明内容

本发明的目的是提供一种基于波段筛选的光谱加权集成校正模型的构建方法及系统。

为了解决上述技术问题，本发明提供了一种基于波段筛选的光谱加权集成校正模型的构建方法，包括：

红外光谱波长聚类；

对聚类后的红外光谱波长剪枝；

根据剪枝后的红外光谱波长构建综合加权系数；

根据综合加权系数构建加权集成校正模型；以及

通过加权集成校正模型得到预测含量矩阵。

进一步，所述红外光谱波长聚类的方法包括：

训练集所含S个样品的近红外光谱矩阵为X∈R^M×S，M为波长变量数，物质真实含量化学值矩阵为Y∈R^S×1，1表示列数是1,R表示实数，则对近红外光谱矩阵X＝(r₁,r₂,…,r_M)^T按照波长划分获得波长列向量r₁,r₂,…,r_M，对r₁,r₂,…,r_M进行聚类，分成N类，T表示转置。

进一步，所述对聚类后的红外光谱波长剪枝的方法包括：对每一类波长变量对应的近红外光谱矩阵和物质真实含量化学值矩阵Y∈R^S×1分别进行偏最小二乘PLS建模得到预测含量矩阵通过比较与Y获得每一类波长变量对预测结果的影响；

式中，i表示波长变量类i＝1,…,N；M_i为第i类波长变量。

进一步，所述对聚类后的红外光谱波长剪枝的方法还包括：计算每一类物质含量的最大绝对误差和方差；

所述最大绝对误差为：

所述方差为：